استفاده از یک رویکرد مبتنی بر کلان‎داده برای سیاست‌گذاری صنعتی (مورد مطالعه: صنعت ساخت قطعات و تجهیزات کشور)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری، گرو مدیریت فناوری اطلاعات، دانشکده مدیریت و حسابداری، پردیس فارابی دانشگاه تهران، قم، ایران

2 استادیار، گروه مدیریت، پژوهشکده سیاست‌گذاری، دانشگاه صنعتی شریف، تهران، ایران

3 استادیار، گروه اقتصاد علم، مرکز تحقیقات سیاست علمی کشور، تهران، ایران

4 استادیار، گروه مدیریت فناوری اطلاعات، دانشکده مدیریت و حسابداری، پردیس فارابی دانشگاه تهران، قم، ایران

10.22034/aimj.2021.133642

چکیده

روند افزایشی تولید داده در جهان و روش‌های ایجادشده برای تحلیل کلان‌داده‌ها، ابزارهای جدیدی در اختیار حوزه‌های مختلف از جمله سیاست‌گذاری قرار می‌دهد. با وجود این،‌ درک دنیای سیاست‌گذاری به‌خصوص در کشورهای در حال ‌توسعه از آن در سطحی ابتدایی قرار دارد و تعداد زیادی از پژوهش‌های انجام‌شده در ایران در حوزه سیاست‌گذاری مبتنی بر رویکردهای کیفی و روش‌های خبرگی هستند. هدف از پژوهش فعلی، استفاده از رویکرد مبتنی بر کلان‎داده پیچیدگی اقتصادی، در حوزه سیاست‌گذاری صنعتی و ارائه نتایج ناشی از آن است. این مقاله، با انجام مطالعه موردی روی داده‌های تجارت جهانی کالاهای صادرشده در حوزه صنعت ساخت قطعات و تجهیزات در کل دنیا و تحلیل این داده‌ها از روش پیچیدگی اقتصادی، به سیاست‌گذاری در حوزه توسعه صنعت ساخت قطعات و تجهیزات ایران پرداخته است. به همین منظور، با استفاده از داده‌های نسخه شش‌رقمی طبقه‌بندی هماهنگ کدگذاری کالا، ۶۶۹ کد کالایی ذیل صنعت ساخت قطعات و تجهیزات بررسی شدند. به‌ این ‌ترتیب، توان فرصت‌های تولیدی در مرز قابلیتی صنعت ساخت قطعات و تجهیزات کشور شناسایی‌ شدند. بر این اساس، تولید برخی از انواع موتور، توربین، الکتروموتور، لوله، تیوب و واگن حمل‌ونقل ریلی بخش عمده فرصت‌های تولیدی ایران را تشکیل می‌دهند.

کلیدواژه‌ها

عنوان مقاله [English]

Applying a Big Data Solution for Industrial Policy-making (Case study: Parts and Equipment Manufacturing Industry of Iran)

نویسندگان [English]

  • Faride Bahrami 1
  • Javad Noori 2
  • Behrooz Shahmoradi 3
  • Meisam Shahbazi 4

1 PhD Candidate, Department of Information Technology Management, Faculty of Management and Accounting, Farabi Campus, University of Tehran, Qom, Iran

2 Assistant Professor, Department of Management, Policy Research Institute, Sharif University of Technology, Tehran, Iran

3 Assistant Professor, Department of Science Economics, Scientific Policy Research Center, Tehran, Iran

4 Assistant Professor, Department of Information Technology Management, Faculty of Management and Accounting, Farabi Campus, University of Tehran, Qom, Iran

چکیده [English]

The upward trend of data production and the available methods for analyzing big data provide different areas such as that of policymaking with modern tools. Yet, the understanding of the policymaking world -especially in developing countries- of this phenomenon is at a basic level, and the bulk of policy-making related research conducted in Iran is based on qualitative and expertise approaches. The present study aims at using an approach based on the big data of economic complexity in industrial policymaking domain and presenting its results. This article investigates policy-making in Iran’s parts and equipment manufacturing industry development by conducting a case study on the world trade data of exported goods related to the parts and equipment manufacturing industry in the world and analyzing this data using economic complexity approach. To this end, using data from the six-digit version of the Harmonized coding system, 669 commodity codes in the industry of parts and equipment manufacturing were examined. Following this, the viable production opportunities for parts and equipment manufacturing industry were identified. Therefore, the products which, if produced and exported, can make the parts and equipment manufacturing industry more sophisticated and can boost technological potentialities and increase export revenue were introduced. Accordingly, the production of some of the motors, Turbines Electromotors, Tube, pipe and rail equipment account for Iran’s production opportunities.

کلیدواژه‌ها [English]

  • Policy making
  • Big Data
  • Economic Complexity
  • product space
  • parts and equipment manufacturing industry
احمدیان دیوکتی، محمد مهدی؛ آقاجانی، حسنعلی؛ شیرخدایی، میثم؛ طهرانچیان، امیرمنصور (1397). سنجش میزان پیچیدگی اقتصادی ایران، در راستای تحقق اقتصاد مقاومتی. مطالعات راهبردی بسیج، 21 (81)، 169- 190.
پژم، سید مهدی؛ سلیمی‌فر، مصطفی (1394). بررسی تأثیر شاخص پیچیدگی اقتصادی بر رشد اقتصادی در 42 کشور برتر در تولید علم. اقتصاد و توسعه منطقهای، 22 (10)، 16-38.
چشمی، علی؛ ملک الساداتی، سید سعید (1392). شاخص پیچیدگی اقتصادی و ارتباط آن با ساختار نهادی تولید مقایسه تطبیقی ایران، کره و ترکیه. اولین همایش توسعه پایدار با رویکرد بهبود محیط کسب‌وکار، مشهد، ایران.
حسامی، حسام زند؛ آشتیانی‌پور، زینب (1392). تحلیل چگونگی تأثیر قابلیت‎های نوآوری‎های فناورانه بر رقابت‌پذیری شرکت‎های کوچک و متوسط. مدیریت نوآوری، 2(2)، 1-24.
خاندوزی، ‌سید‌احسان؛ میرنظامی، ابراهیم (1398). سنجش تأثیر پیچیدگی اقتصادی بر شاخص آسیب‌پذیری و تاب‌آوری. جستارهای اقتصادی، 32 (16)، 9-33.
درگاه ملی آمار (1396، 23 دی). معرفی گزارش فصلی اقتصاد ایران. قابل دسترس در آدرس زیر:
https://www.amar.org.ir/news
رضوی، مهسا؛ مهرزاد، ندا (1393). تنوع تولید در ایران و اهمیت آن در اقتصاد دانایی محور از منظر شاخص پیچیدگی اقتصادی. دومین همایش داخلی حسابداری مدیریت اقتصاد.
شاهمرادی، بهروز؛ سمندر، مژگان؛ اشتهاردی، علی (1397). بررسی جایگاه رقابت‌پذیری فناورانه ایران در منطقه با رویکرد پیچیدگی اقتصادی. سیاست علم و فناوری، 10 (1)، 29-38.
عظیمی، ناصرعلی (1397). بررسی تأثیر مؤلفه های اقتصاد دانش بنیان بر پیچیدگی اقتصادی کشورها. فصلنامه پژوهش و برنامه‌ریزی در آموزش عالی، 24 (4)، 1-23.
Alshamsi, A., Pinheiro, F. L. and Hidalgo, C. A. (2018). Optimal diversification strategies in the networks of related products and of related research areas. Nat Commun, 9 (1). DOI:10.1038/s41467-018-03740-9
Blazquez, D. and Domenech, J. (2018). Big Data sources and methods for social and economic analyses. Technological Forecasting and Social Change, 130, 99-113.
Bryce, D. J. and Winter, S.G. (2009). A general interindustry relatedness index. Management Science, 55 (9), 1570-1585.
Can, M. and Gozgor, G. (2017). The impact of economic complexity on carbon emissions: evidence from France. Environmental Science and Pollution Research, 24 (19), 16364-16370.
Dahlhaus, P., Murphy, A., MacLeod, A., Thompson, H., McKenna, K. and Ollerenshaw, A. (2016). Making the invisible visible: the impact of federating groundwater data in Victoria, Australia. Journal of Hydroinformatics, 18 (2), 238-255.
Einav, L. and Levin, J. (2014). Economics in the age of big data. Science, 346 (6210), 1243089.
Erkan, B. and Yildirimci, E. (2015). Economic Complexity and Export Competitiveness: The Case of Turkey. Procedia-Social and Behavioral Sciences, 195, 524-533.
Fan, J.P.H. and Lang, L.P.H. (2000). The measurement of relatedness: An application to corporate diversification. The Journal of Business, 73 (4), 629-660.
Farjoun, M. (1994). Beyond industry boundaries: Human expertise, diversification and resource-related industry groups. Organization science, 5 (2), 185-199.
Gabbay, D. M., Thagard, P., Woods, J. and Meijers, A.W.M. (2009). Philosophy of technology and engineering sciences. Elsevier.
Gala, P., Camargo, J., Magacho, G. and Rocha, I. (2018). Sophisticated jobs matter for economic complexity: An empirical analysis based on input-output matrices and employment data. Structural Change and Economic Dynamics, 45: 1-8.
Ghazinoory, S., Mirzaei, S. and Ghazinoori, S. (2009). A model for national planning under new roles for government: Case study of the National Iranian Nanotechnology Initiative. Science and Public Policy, 36 (3), 241-249.
Ghernaout, D., Aichouni, M. and Alghamdi, A. (2018). Applying big data in water treatment industry: A new era of advance. International Journal of Advanced and Applied Sciences, 5 (3), 89-97.
Giest, S. (2017). Big data for policymaking: fad or fasttrack? Policy Sciences, 50 (3), 367-382.
Gonzalez, M.C., Hidalgo, C.A. and Barabasi, A.L. (2008). Understanding individual human mobility patterns. nature, 453 (7196), 779-782.
Gozgor, G. and Can, M. (2017). Does export product quality matter for CO 2 emissions? Evidence from China. Environmental Science and Pollution Research, 24 (3), 2866-2875.
Grunwald, A. (2009). Technology Assessment: Concepts and Methods. Handbook of the Philosophy of Science. In Philosophy of Technology and Engineering Sciences, 103–1145.
Hausmann, R., Hidalgo, C.A., Bustos, S., Coscia, M., Simoes, A. and Yildirim, M.A. (2014). The atlas of economic complexity: Mapping paths to prosperity. Mit Press.
Hidalgo, C. (2015). Why information grows: The evolution of order, from atoms to economies. Basic Books.
Hidalgo, C. A. and Hausmann, R. (2009). The building blocks of economic complexity. Proceedings of the national academy of sciences, 106 (26), 10570-10575.
Hidalgo, C. A., Klinger, B., Barabási, A.L. and Hausmann, R. (2007). The product space conditions the development of nations. Science, 317 (5837), 482-487.
Höchtl, J., Parycek, P. and Schöllhammer, R. (2016). Big data in the policy cycle: Policy decision making in the digital era. Journal of Organizational Computing and Electronic Commerce, 26 (1-2), 147-169.
Kitchin, R. (2014). The real-time city? Big data and smart urbanism. Geo Journal, 79 (1), 1-14.
Liu, Y., Peng, J. and Yu, Z. (2018). Big Data Platform Architecture under The Background of Financial Technology: In The Insurance Industry As An Example. Proceedings of the 2018 International Conference on Big Data Engineering and Technology.
Longo, J., and Dobell, A.R. (2018). The limits of policy analytics: Early examples and the emerging boundary of possibilities. Politics and Governance, 6(4), 5. DOI:10.17645/pag.v6i4.1561
Matheus, R., Janssen, M. and Maheshwari, D. (2018). Data science empowering the public: Data-driven dashboards for transparent and accountable decision-making in smart cities. Government Information Quarterly: 37(3), 101284.
Neagu, O. (2019). The Link between Economic Complexity and Carbon Emissions in the European Union Countries: A Model Based on the Environmental Kuznets Curve (EKC) Approach. Sustainability, 11 (17), 4753.
Neffke, F., and Henning, M. (2013). Skill relatedness and firm diversification. Strategic Management Journal, 34 (3), 297-316.
Poel, M., Meyer, E.T. and Schroeder, R. (2018). Big data for policymaking: Great expectations, but with limited progress? Policy & Internet, 10 (3), 347-367.
Provost, F., and Fawcett, T. (2013). Data science and its relationship to big data and data-driven decision making. Big data, 1 (1), 51-59.
Rigby, D. L. (2015). Technological relatedness and knowledge space: entry and exit of US cities from patent classes. Regional Studies, 49 (11), 1922-1937.
Roski, J., Bo-Linn, G.W. and Andrews, T.A. (2014). Creating value in health care through big data: opportunities and policy implications. Health affairs, 33 (7), 1115-1122.
Schippl, J., and Fleischer, T. (2012). A problem-oriented categorisation of FTA-methods for transport planning. Foresight-The journal of future studies, strategic thinking and policy, 14 (4): 282-293.
Smith, G.J.D., Bennett Moses, L. and Chan, J. (2017). The challenges of doing criminology in the big data era: Towards a digital and data-driven approach. The British journal of criminology, 57 (2), 259-274.
Vafaeipour, M., Hashemkhani Zolfani, S., Morshed Varzandeh, M.H., Derakhti, A. and Keshavarz Eshkalag, M. (2014). Assessment of regions priority for implementation of solar projects in Iran: New application of a hybrid multi-criteria decision making approach. Energy Conversion and Management, 86: 653-663.
Xu, M., Cai, H. and Liang, S. (2015). Big data and industrial ecology. Journal of Industrial Ecology, 19 (2), 205-210.
دوره 6، شماره 2 - شماره پیاپی 11
پاییز و زمستان 1399
صفحه 153-171
  • تاریخ دریافت: 23 مرداد 1399
  • تاریخ بازنگری: 08 آذر 1399
  • تاریخ پذیرش: 06 اردیبهشت 1400